A Benchmark Dataset for Machine Learning Surrogates of Pore-Scale CO2-Water Interaction

Diese Arbeit stellt einen umfassenden Benchmark-Datensatz aus 624 hochauflösenden 2D-Simulationen vor, der die komplexen Wechselwirkungen zwischen CO₂ und Wasser im Porensystem erfasst und als Testumgebung für die Entwicklung von Machine-Learning-Surrogaten im Bereich der Kohlenstoffspeicherung dient.

Das Wesentliche

Das große Puzzle: Wie CO₂ durch Gestein wandert

Stell dir vor, du möchtest verstehen, wie sich eine Tinte (in diesem Fall CO₂) in einem riesigen, komplizierten Schwamm (dem Gestein unter der Erde) ausbreitet. Das ist extrem wichtig, um sicherzustellen, dass wir CO₂ sicher im Boden speichern können, damit es nicht wieder in die Luft entweicht und das Klima aufheizt.

Das Problem: Dieser "Schwamm" ist auf mikroskopischer Ebene unglaublich chaotisch. Er besteht aus unzähligen kleinen Kieselsteinen mit unterschiedlichen Größen und Abständen. Wenn man versucht, zu berechnen, wie sich das CO₂ durch dieses Labyrinth bewegt, braucht ein normaler Computer ewig – oft Tage oder Wochen für nur eine einzige Simulation. Das ist zu langsam für echte Planungen.

Die Lösung: Ein riesiges Trainingsbuch für KI

Die Forscher von der Heriot-Watt University in Edinburgh haben eine clevere Idee gehabt: Künstliche Intelligenz (KI).

Stell dir vor, die KI ist wie ein junger Schüler. Um gut zu werden, muss sie viele Beispiele sehen. Früher hatten diese Schüler nur ein paar kleine, einfache Bilder von Schwämmen (oft nur 256x256 Pixel groß) und sie lernten nur das Endergebnis (wie sieht der Schwamm am Ende aus?). Das reichte nicht, um die komplexen, chaotischen Schwämme der echten Welt zu verstehen.

Was diese neue Studie bietet:
Sie haben ein riesiges, hochauflösendes "Trainingsbuch" erstellt.

• Die Bilder: Es sind 624 verschiedene 2D-Schnitte von Gestein. Jedes Bild ist sehr detailliert (512x512 Pixel), als würde man durch ein extrem starkes Mikroskop schauen.
• Die Zeitlupe: Sie zeigen nicht nur das Endergebnis, sondern wie sich das CO₂ über die Zeit bewegt – wie ein Film mit 100 Einzelbildern (Frames). Man sieht genau, wie das CO₂ das Wasser verdrängt, wo es hängen bleibt und wie es durch die Poren sickert.
• Die Vielfalt: Das Besondere ist, dass sie den Schwamm absichtlich "kaputt" gemacht haben. Sie haben die Kieselsteine in den Bildern unterschiedlich groß und unregelmäßig angeordnet. Von "ordentlich sortiert" bis zu "völlig chaotisch". So lernt die KI, mit jedem denkbaren Gesteinstyp umzugehen, nicht nur mit perfekten Modellen.

Wie haben sie das gemacht? (Die Küche)

Stell dir vor, sie haben eine digitale Fabrik gebaut:

1. Der Bauplan: Mit einem Computerprogramm haben sie zufällige Gesteinsstrukturen generiert. Manche waren glatt und ordentlich, andere hatten große Lücken und kleine Steine, genau wie echtes Gestein in der Natur.
2. Der Film: Dann haben sie in diesen digitalen Schwämmen simuliert, wie CO₂ von links eingespritzt wird und das Wasser verdrängt. Sie haben dabei gemessen: Wie ist der Druck? Wie schnell fließt es? Wo sammelt sich das CO₂?
3. Das Ergebnis: Daraus entstand eine riesige Datenbank, die jeder Forscher kostenlos nutzen kann, um seine eigenen KI-Modelle zu trainieren.

Warum ist das so wichtig? (Der Test)

Um zu beweisen, dass ihr "Trainingsbuch" funktioniert, haben die Forscher drei verschiedene KI-Modelle getestet:

• Modell A (Der Allrounder): Hat alle 624 Bilder gesehen (von ordentlich bis chaotisch).
• Modell B (Der Durchschnitt): Hat nur Bilder von 4 der 5 Schwierigkeitsstufen gesehen.
• Modell C (Der Anfänger): Hat nur die einfachsten, ordentlichen Bilder gesehen.

Das Ergebnis:
Als man die Modelle vor ein völlig neues, chaotisches Gestein stellte (das sie noch nie gesehen hatten), war Modell A der klare Gewinner. Es hat die Bewegung des CO₂ am genauesten vorhergesagt.
Das zeigt: Je vielfältiger und "bunter" die Trainingsdaten sind, desto besser kann die KI in der echten Welt arbeiten. Ein Modell, das nur einfache Fälle gelernt hat, scheitert bei den echten, chaotischen Gesteinen.

Fazit in einem Satz

Diese Studie liefert den perfekten "Fahrsimulator" für KI-Modelle, damit diese lernen können, wie CO₂ sich durch das chaotische Gestein der Erde bewegt – schnell, genau und bereit für die echten Herausforderungen der Klimawende.

Technische Zusammenfassung

Titel: Ein Benchmark-Datensatz für Machine-Learning-Surrogate zur Poren-skalen-Wechselwirkung von CO₂ und Wasser

1. Problemstellung

Die genaue Erfassung der komplexen Wechselwirkung zwischen CO₂ und Wasser in porösen Medien auf der Porenskala ist für Anwendungen wie die Kohlenstoffabscheidung und -speicherung (CCS), die verbesserte Ölrückgewinnung (EOR) und das Grundwassermanagement von entscheidender Bedeutung.

• Herausforderungen: Herkömmliche Laborversuche (z. B. Kernflood-Experimente) liefern nur effektive Bulk-Eigenschaften, während bildgebende Verfahren (z. B. Röntgen-Mikrotomographie) oft auf dynamische Prozesse begrenzt sind.
• Numerische Simulationen: Methoden wie die direkte numerische Simulation (DNS) oder Lattice-Boltzmann-Methoden bieten hohe Genauigkeit, sind jedoch rechenintensiv.
• Limitationen bestehender ML-Ansätze: Machine-Learning-Modelle (ML) werden zunehmend als effiziente Surrogate eingesetzt, leiden jedoch unter mangelnden, hochwertigen Trainingsdaten. Bisherige Datensätze sind oft zu klein (z. B. 256×256 Pixel), beschränken sich auf homogene Medien oder erfassen nur Endzustände statt der zeitlichen Evolution des Prozesses. Dies verhindert, dass Modelle robuste Vorhersagen für komplexe, heterogene geologische Formationen treffen können.

2. Methodik

Die Autoren stellen einen umfassenden, hochauflösenden Datensatz vor, der aus numerischen Simulationen generiert wurde, um ML-Modelle zu trainieren und zu validieren.

• Geometrie-Generierung (Preprocessing):

  • Die Porenstrukturen wurden mit dem Open-Source-Tool DrawMicromodels generiert.
  • Heterogenität: Es wurden fünf Heterogenitäts-Level (Level 1 bis 5) definiert, die durch Variationen der Korngrößen und der Positionen (Rauschen in $x$ und $y$) simuliert werden. Dies reicht von gut sortierten Medien bis hin zu stark heterogenen Strukturen, die reale geologische Variabilität (z. B. in Sandstein) nachahmen.
  • Parametrischer Sweep: Für jede Heterogenitätsstufe wurden Variationen des mittleren Kornradius ($R_0$) und der Zielporosität ($\phi$) durchgeführt.
  • Datenaugmentierung: Aus 78 validierten Basis-Geometrien (1024×1024) wurden durch Zuschneiden (auf 512×512) und vertikales Spiegeln insgesamt 624 einzigartige 2D-Samples erzeugt.
  • Auflösung: Jedes Sample hat eine Größe von 512×512 Pixeln mit einer physikalischen Auflösung von 35 µm pro Pixel.

• Physikalische Simulation (Multi-Phasen-Strömung):

  • Solver: Die Simulationen wurden mit GeoChemFoam (basierend auf OpenFOAM) durchgeführt, einem Solver für Poren-skalen-Prozesse.
  • Physik: Es wurde ein algebraisches Volume-of-Fluid (VoF)-Verfahren verwendet, um die Navier-Stokes-Gleichungen für zwei Phasen (CO₂ und Wasser) zu lösen.
  • Randbedingungen: CO₂ wird mit einer konstanten Injektionsrate von $1 \times 10^{-8} m^3/s$ (entsprechend einer Kapillarzahl von ca. $5 \times 10^{-6}$) von links in ein vollständig wassergesättigtes Modell injiziert.
  • Parameter: Die Simulation lief über 1 Sekunde mit einem Schreibintervall von 0,01 s (insgesamt 100 Zeitschritte). Die Oberflächenspannung betrug 0,03 N/m und der Kontaktwinkel 45°.

3. Schlüsselbeiträge (Key Contributions)

• Umfangreicher Datensatz: Bereitstellung von 624 hochauflösenden 2D-Samples mit 100 Zeitschritten pro Sample.
• Hohe Granularität: Der Datensatz erfasst sowohl räumliche (512×512) als auch zeitliche (100 Schritte) Details, was für das Lernen dynamischer Prozesse essenziell ist.
• Vielfalt der Heterogenität: Durch die systematische Variation der Korngrößen und -anordnungen deckt der Datensatz ein breites Spektrum geologischer Bedingungen ab, was die Generalisierungsfähigkeit von ML-Modellen verbessert.
• Öffentliche Verfügbarkeit: Der Datensatz ist über Dryad verfügbar und enthält neben den Strömungsfeldern auch binäre Domänenbilder sowie CSV-Dateien mit Porositäts- und Permeabilitätsdaten.

4. Ergebnisse und Validierung

Um die Nützlichkeit des Datensatzes zu testen, wurden drei U-Net-Modelle trainiert, um zukünftige CO₂-Sättigungskarten basierend auf vier vorherigen Zeitschritten vorherzusagen (autoregressiv bis zu 60 Schritte).

• Experiment-Design:

  • Modell A (5-Level): Trainiert auf dem gesamten Datensatz (alle Heterogenitätsstufen).
  • Modell B (4-Level): Trainiert auf einer Teilmenge (4 Stufen).
  • Modell C (1-Level): Trainiert nur auf der homogensten Stufe (Level 1).
  • Test: Alle Modelle wurden an Samples der 5. Stufe (Heterogenität) evaluiert, die für Modell B und C unsichtbar waren.

• Ergebnisse:

  • Generalisierung: Das Modell, das auf der vielfältigsten Datenbasis trainiert wurde (5-Level), erzielte den niedrigsten mittleren quadratischen Fehler (MSE) von 0,0145.
  • Vergleich: Das 4-Level-Modell (MSE: 0,0254) schnitt besser ab als das 1-Level-Modell (MSE: 0,0320), was zeigt, dass mehr Trainingsdaten-Vielfalt die durchschnittliche Generalisierung verbessert.
  • Nuance: Die Analyse zeigte, dass die Verbesserung nicht bei jedem einzelnen Sample linear war; in einigen Fällen performte das 4-Level-Modell ähnlich wie das 1-Level-Modell. Dies deutet darauf hin, dass extreme Vielfalt zwar die durchschnittliche Leistung steigert, aber nicht garantiert, dass jedes spezifische Out-of-Distribution-Sample perfekt vorhergesagt wird.
  • Visualisierung: Qualitative Vergleiche (Fehlerkarten) bestätigten, dass die Modelle mit mehr Trainingsvielfalt die komplexen, kanalisierten Strömungsmuster und Akkumulationszonen genauer abbilden.

5. Bedeutung und Ausblick

Dieser Datensatz stellt einen wichtigen Meilenstein für die Entwicklung von Machine-Learning-Surrogaten in der Geowissenschaft dar.

• Überwindung von Limitierungen: Er adressiert die Lücke in der Verfügbarkeit von hochauflösenden, zeitlich aufgelösten Daten für heterogene Medien.
• Robustheit: Er ermöglicht die Entwicklung von Modellen, die robust gegenüber Änderungen in Korngrößen und geologischen Konfigurationen sind, was für die Vorhersage von CO₂-Migration in realen Lagerstätten unerlässlich ist.
• Beschleunigung: Durch die Bereitstellung eines Benchmarks für ML-Modelle kann die Abhängigkeit von extrem rechenintensiven direkten numerischen Simulationen reduziert werden, ohne dabei die physikalische Genauigkeit zu opfern.

Zusammenfassend bietet das Papier nicht nur einen wertvollen Datensatz, sondern validiert auch die Hypothese, dass die Vielfalt der Trainingsdaten entscheidend für die Generalisierungsfähigkeit von ML-Modellen in komplexen physikalischen Szenarien ist.